Distribución del monto en pérdidas

Monto en pérdidas

Covariables

Covariables

Test de Moran en las pérdidas

  
    Moran I test under randomisation
  
  data:  perd_cantones$perdida_mill  
  weights: W    
  
  Moran I statistic standard deviate = 5.8434, p-value = 2.557e-09
  alternative hypothesis: greater
  sample estimates:
  Moran I statistic       Expectation          Variance 
        0.374927843      -0.012500000       0.004395878

Test de Moran en las pérdidas

Modelo SAR

  
  Call: spatialreg::spautolm(formula = formula, data = data, listw = listw, 
      na.action = na.action, family = family, method = method, 
      verbose = verbose, trs = trs, interval = interval, zero.policy = zero.policy, 
      tol.solve = tol.solve, llprof = llprof, control = control)
  
  Residuals:
       Min       1Q   Median       3Q      Max 
  -20376.9  -8100.4  -2558.9   2701.6  56507.7 
  
  Coefficients: 
               Estimate Std. Error z value  Pr(>|z|)
  (Intercept) 32928.277   3948.328  8.3398 < 2.2e-16
  IDS          -354.680     64.303 -5.5157 3.473e-08
  
  Lambda: 0.15207 LR test value: 0.64413 p-value: 0.42222 
  Numerical Hessian standard error of lambda: 0.18709 
  
  Log likelihood: -879.7454 
  ML residual variance (sigma squared): 158260000, (sigma: 12580)
  Number of observations: 81 
  Number of parameters estimated: 4 
  AIC: 1767.5

Modelo CAR

  
  Call: spatialreg::spautolm(formula = formula, data = data, listw = listw, 
      na.action = na.action, family = family, method = method, 
      verbose = verbose, trs = trs, interval = interval, zero.policy = zero.policy, 
      tol.solve = tol.solve, llprof = llprof, control = control)
  
  Residuals:
       Min       1Q   Median       3Q      Max 
  -20224.7  -7244.3  -1529.2   4408.3  56115.2 
  
  Coefficients: 
                  Estimate  Std. Error z value  Pr(>|z|)
  (Intercept)   3.0278e+04  3.9468e+03  7.6715 1.710e-14
  IDS          -3.6725e+02  6.2859e+01 -5.8425 5.142e-09
  poblac_total  5.9896e-02  2.6294e-02  2.2779   0.02273
  
  Lambda: 0.26223 LR test value: 0.72507 p-value: 0.39449 
  Numerical Hessian standard error of lambda: 0.42708 
  
  Log likelihood: -878.2767 
  ML residual variance (sigma squared): 152260000, (sigma: 12339)
  Number of observations: 81 
  Number of parameters estimated: 5 
  AIC: 1766.6

Prueba de Moran de residuos

  
    Global Moran I for regression residuals
  
  data:  
  model: lm(formula = perdida_mill ~ IDS + poblac_total +
  IGM_Desarrollo_Gestion_Inst + IGM_Planif_Partic_Ciud_Rend_Cuent +
  IGM_Gestion_Desarrollo_Amb + IGM_Gestion_Servicios_Econ +
  IGM_Gestion_Serv_Social, data = perd_cantones@data)
  weights: W
  
  Moran I statistic standard deviate = 1.2128, p-value = 0.2252
  alternative hypothesis: two.sided
  sample estimates:
  Observed Moran I      Expectation         Variance 
       0.058305291     -0.022635632      0.004453807

Regresión Lineal

  
  Call:
  lm(formula = perdida_mill ~ IDS, data = perd_cantones@data)
  
  Residuals:
     Min     1Q Median     3Q    Max 
  -20478  -8047  -2513   3563  57762 
  
  Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
  (Intercept) 34395.11    3582.57   9.601 6.57e-15 ***
  IDS          -376.18      58.96  -6.380 1.11e-08 ***
  ---
  Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  
  Residual standard error: 12820 on 79 degrees of freedom
  Multiple R-squared:  0.3401,  Adjusted R-squared:  0.3317 
  F-statistic: 40.71 on 1 and 79 DF,  p-value: 1.113e-08

1. Se obtiene una distribución espacial las pérdidas por eventos con declaratoria de emergencia, la cual constituye a una herramienta útil, para comprender su comportamiento.

2. Se halló que entre mayor calidad de vida de los seres humanos en sus respectivos cantones menor el montón en las pérdidas por eventos con declaratoria de emergencia, lo cual indica que parte del desarrollo en economía, salud, educación y seguridad implementado por las municipales, juega un papel importante en la disminución en pérdidas.

3. La priorización promueve la implementación de políticas de adaptación preventivas tanto en los cantones que ya han afectados por eventos de emergencia como los cantones que aún no han presentado gran cantidad de pérdidas.

4. Para enriquecer los resultados obtenidos se recomienda incorporar variables meteorológicas, puesto que puede que expliquen de mejor manera el comportamiento de las pérdidas, de esta manera obtener una priorización de cantones más exacta.